Graag meer nuance in discussies over AI in het onderwijs
Moeten docenten AI een plek geven in hun lessen? Volgens Felienne Hermans, hoogleraar didactiek van de informatica aan de VU, is het antwoord nee: in het Leraar24-artikel ‘AI in de les? Doe maar niet’ pleit zij voor lessen zonder schermen, met pen en papier en met mondelinge verdediging van werk. Haar redenering schiet wat mij betreft op een aantal punten tekort.
Hermans, die ook informatica geeft op een school voor voortgezet onderwijs, wil als docent grip houden op de informatie die in de les wordt gebruikt. Laat zij lerenden met een chatbot informatie zoeken, dan krijgen ze volgens haar uiteenlopende, niet-geverifieerde antwoorden van een algoritme dat zij niet kan controleren. Dat raakt ook de relatie tussen docent en lerende: om lerenden mee te krijgen met de stof is vertrouwen in de vakkennis van de docent nodig.
Volgens Hermans leren lerenden bovendien minder wanneer AI hun de antwoorden aanreikt, omdat ze de zoektocht naar een antwoord en daarmee het leerproces overslaan. Ook de regie over de les komt onder druk te staan. Ze beschrijft een lerende die van ChatGPT een Python-script kreeg dat ver boven zijn niveau lag. Het samen uitzoeken kostte een flink deel van de les, terwijl het onderwerp niet in de toets terugkomt. In feite had ChatGPT bepaald waar de les over ging.
Daarnaast wijst Hermans op een oude misvatting: dat techniek docenten werk uit handen neemt, zodat zij zich kunnen richten op het ‘echte werk’. Eerder werd dat verondersteld bij flipping the classroom, wat volgens haar niet werkte. Didactiek en pedagogiek zijn niet van elkaar los te knippen. Nakijken is voor haar zelf dat echte werk. Ze noemt een doorgaans goed presterende lerende die bij een toets drie keer opschreef dat hij helemaal niets wist. Hij bleek vastgelopen door de hoeveelheid toetsen en de spanning die daarbij hoort. Een algoritme had alleen een onvoldoende uitgedeeld. Ook kan een chatbot bij een werkstuk niet vaststellen of de lerende vanuit een verkeerde onderzoeksvraag is vertrokken. Hermans spreekt van interpretive labour: op basis van waarneming en samenspel bedenken wat een ander op dat moment nodig heeft. Een algoritme kan dat volgens haar per definitie niet.
Volgens Hermans bewegen steeds meer scholen weg van schermen. De UvA weerde onlangs laptops uit collegezalen en er wordt vaker mondeling getoetst. De VU-studenten die Hermans opleidt tot docent informatica schrijven een casus uit op de campus en verdedigen hun werk mondeling. Op haar middelbare school maken lerenden voor hun profielwerkstuk een concreet project, bijvoorbeeld een escape room over tien tijdvakken, dat ze mondeling verdedigen. Ze houden een papieren logboek bij dat op school blijft, zodat het wordingsproces zichtbaar is.
In informatica en digitale geletterdheid kunnen lerenden volgens Hermans wel leren omgaan met AI. Een docent Engels hoeft het echter niet in te zetten omdat de technologie bestaat; diens vak en verantwoordelijkheid is lerenden Engels leren. Bij druk van de schoolleiding raadt ze aan te vragen naar bewijs dat lerenden er beter door leren, want scholen werken graag evidence-informed en dat bewijs is er volgens haar nog nauwelijks. Ze pleit er ook voor minder geld uit te geven aan nog niet bewezen AI en meer aan docenten, in navolging van een vraag in The Economist over wat er was gebeurd als het geld voor automatisering in twintig jaar naar onderwijskwaliteit was gegaan.
Mijn opmerkingen
Felienne Hermans is volgende week keynotespreker tijdens de SURF Onderwijsdagen. In het Leraar24-artikel schetst zij hoe de bekende grote taalmodellen het leren kunnen belemmeren. Zij wijst ook terecht op een tekortkoming van AI: het is niet goed in staat te interpreteren en op basis daarvan te handelen. Daarom zou een docent AI-output m.i. altijd moeten bewerken en het laatste woord moeten hebben.
Er zijn ook meerdere punten waarop haar redenering tekortschiet. Ten eerste gooit zij AI en grote taalmodellen op één hoop. Ze heeft geen oog voor AI die specifiek voor het onderwijs is ontwikkeld, waarin didactische keuzes zijn verwerkt en waarin de docent kan sturen. Een algemene chatbot die antwoorden geeft is iets anders dan een toepassing die binnen kaders vragen stelt of feedback geeft.
Ten tweede lijkt zij vooral te kijken naar het risico dat het denkwerk wordt uitbesteed aan een groot taalmodel. Maar AI kan ook nuttig zijn om cognitief te ontlasten, doordat lerenden minder energie kwijt zijn aan taken die niet het leerdoel zijn en meer aan wat er wel toe doet. Die kant komt in het artikel niet aan bod.
Op de derde plaats is haar conclusie dat het concept van de flipped classroom niet werkte, veel te stellig en ongefundeerd. Onderzoekers van de Universiteit Utrecht vergeleken in een meta-analyse van 114 studies klassen met en zonder “flipping the classroom”, in het voortgezet en het hoger onderwijs. Gemiddeld vonden zij een klein positief effect op de leerprestaties. Leerlingen en studenten waren gemiddeld niet tevredener of ontevredener dan bij gewone lessen. De uitkomsten verschillen wel sterk per studie: soms leren leerlingen veel meer, soms juist minder (Leraar24). Een latere meta-analyse van 317 studies in het hoger onderwijs (Bredow e.a., 2021) vond ook gemiddeld betere resultaten voor “geflipt onderwijs” dan voor onderwijs met hoorcolleges, met opnieuw grote verschillen tussen studies. De juiste conclusie is dus niet dat “flippen” niet werkt, maar dat het niet vanzelf werkt.
In eigen tijd en tempo een video bekijken maakt lestijd vrij voor leerzame verwerkingsactiviteiten, zoals oefenen en toepassen onder begeleiding van de docent (Leraar24, met verwijzing naar DeLozier en Rhodes). Het ontwerp maakt dus het verschil. In mijn bespreking van de Utrechtse meta-analyse staan twee lessen centraal. Ten eerste: verkort de lestijd niet, want minder contacttijd leidt tot lagere resultaten. Verwacht daarom ook geen besparing. Ten tweede: voeg korte quizzen toe aan de voorbereiding. Leerlingen onthouden stof beter als ze die actief moeten ophalen (het ‘testing effect’). Het probleem uit de passage, leerlingen die onvoorbereid in de les verschijnen, is wel reëel. Zonder voorbereiding werkt de aanpak niet, en goed flippen kost leraren veel tijd (Leraar24). Korte vragen bij de voorbereiding zijn een manier om leerlingen aan te zetten om die voorbereiding echt te doen. Het gaat dus erom hoe je het concept uitvoert.
Op de vierde en laatste plaats schiet haar redenering tekort door de vraag die ze zelf oproept: hoe kun je evidence-informed werken op het gebied van AI in het onderwijs als je geen ervaring opdoet met AI in het onderwijs? Bewijs over wat binnen het onderwijs werkt en minder werkt (en onder welke omstandigheden en context) ontstaat niet vanzelf, en vergaar je ook niet in een laboratorium. Het komt voort uit onderzoek en uit praktijkervaring, ook van docenten die gecontroleerd en kritisch experimenteren.
Ik vind het dan ook jammer dat een hoogleraar didactiek van de informatica zo ongenuanceerd ‘in de wedstrijd’ staat als het gaat om AI in het onderwijs. We hebben juist meer nuance nodig. Ongenuanceerde kritiek helpt niet verder, net zo min als “AI-evangelisme”.
Mijn bronnen over (generatieve) artificiële intelligentie
Deze pagina bevat al mijn bijdragen over (generatieve) artificiële intelligentie.
Lees het hele
artikel